信号处理和机器学习算法用于分类麻醉深度
Oscar Mosquera Dussan1, Eduardo Tuta-Quintero1, Daniel A Botero-Rosas2
1School of Medicine, Universidad de La Sabana, Chia, Colombia.
BMJ health & care informatics
|October 4, 2023
概括
监测麻醉深度 (AD) 对患者安全至关重要. 这项研究开发了一种机器学习算法,使用生物信号在手术期间准确分类AD,改善麻醉师的决策.
科学领域:
- 麻醉学和外科手术期间的医学.
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 麻醉深度 (AD) 的不充分评估可能导致低剂量或过量剂量的并发症.
- 持续监测中枢神经系统和自主神经系统活动可以帮助AD评估.
- 需要改进监测AD的方法,以提高手术过程中的患者安全.
研究的目的:
- 开发和评估一种机器学习算法,用于在全身麻醉期间对麻醉深度 (AD) 进行分类.
- 评估生物信号处理对实时AD监测的有用性.
- 提供一种工具,可以帮助麻醉科医生做出有关麻醉剂的知情决策.
主要方法:
- 在一个单一的中心进行了一项观察分析研究.
- 从接受全身麻醉的患者收集生物信号.
- 使用MATLAB V.8.1进行信号预处理,处理和后处理,以开发电脑学指数并为模式分类器提供信息.
主要成果:
- 这项研究共包括60名患者 (25名男性,35名女性).
- 在复杂性脑波指数和模块指数之间观察到高的皮尔森相关性.
- 度指数的分散和部分重叠表明在区分深度麻醉状态方面存在潜在的挑战,尽管在清醒状态和全身麻醉状态中相关性很高.
结论:
- 生物信号过与机器学习算法相结合,显示了在手术期间对麻醉深度 (AD) 的分类有希望.
- 开发的脑电图指数和分类方法需要进一步验证.
- 需要进行额外的研究来证实这些发现,并提高麻醉学家在全身麻醉中的决策能力.


